一种基于实验和计算智能的模拟方法，用于预测使用林茨-多瑙维茨矿渣（Linz–Donawitz Slag）作为工业废弃物衍生材料的自密实混凝土的强度精度

《Scientific Reports》：An experimental and computational intelligence simulation for predicting the strength accuracy of self-compacting concrete using Linz–Donawitz Slag as industrial waste derivatives

　　

摘要

本研究探讨了将林茨-多瑙维茨矿渣（LDS）作为部分水泥替代品加入自密实混凝土（SCC）中的力学性能，重点在于开发一种准确的预测压缩强度（CS）的框架。通过七种不同LDS含量的SCC配合比设计，共获得了147个实验数据点。为了模拟输入变量与CS测试值之间的复杂非线性关系，开发了多种机器学习（ML）模型，包括随机森林（RF）、支持向量机（SVM）、人工神经网络（ANN）、卷积神经网络（CNN）、长短期记忆网络（LSTM）以及一种CNN-LSTM混合模型，用于预测基于LDS的SCC的压缩强度。其中，CNN-LSTM混合模型表现出更优越的预测性能，决定系数（R²）约为0.931，误差指标（RMSE = 0.059，MAE = 0.045）也低于其他模型。为了提高模型的可解释性，采用了Shapley Additive Explanations（SHAP）和Partial Dependence Plot（PDP）分析方法，以确定影响CS的主要参数及其交互作用。SHAP分析表明，水泥含量和LDS是预测含LDS SCC压缩强度的最重要因素，而水含量则是影响最小的因素。PDP分析用于评估每个输入变量对CS的影响，从而可以确定满足特定设计强度所需的各输入变量用量。因此，CNN-LSTM模型被证明是一种可靠且高效的ML方法，能够快速准确地预测SCC的可持续性能。然而，当前研究的局限性在于实验数据集规模较小，且缺乏现场条件下的外部验证。未来的研究应侧重于使用更大、更多样化的数据集，进行实际应用验证，并开展包括耐久性和长期性能在内的多目标评估。